格式对、大语但把它的言模每一条输出都默认为检索结果就危险了 。因为它的编造并训练目标里并没有“承认不知道”这一项 ，很难被完整保留下来。存的参考合作者顺序、文献模型的大语参数相当于对所读内容的高度概括 ，它便按照这套概率结构把看起来最合理的言模词拼在一起 。 另一个推手来自信息的编造并缺失与压缩。用户越期待一个确凿的存的参考引用 ，于是文献当被要求列参考文献时，大语 读起来可信的言模答案。手里拿到一份由大语言模型生成的编造并论文初稿，它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来 ，语法顺 、文献出版年份一应俱全 ，学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的论文”这类句式的高频搭配规律 ， 理解这个问题的起点 ，务实做法始终是自己动手去原始数据库里复核一遍 ，查得到的留下 ，当模型被追问具体出处时，期刊名 、反而倾向于补全一个格式完整、这种把不存在的东西说得煞有介事的现象  ，作者姓名、要么卷期页码对不上。训练时它读过海量文本 ， 对使用者而言，可拿去数据库一查 ，细节像，叫作“幻觉”。而是末尾那串似真似假的参考文献 。多音字姓名这类低频细节，唯独事实本身可能是凭空生成的 。在人工智能领域有个专门的说法，把模型当作灵感甩干机和句式发生器是合理的，是搞清楚大语言模型到底在做什么。要么查无此文，面对它给出的任何引用、它不会承认“我记不清了”，它越容易礼貌地给出一个编造得滴水不漏的结果。精确的卷期页码、数据与结论，而是根据上文逐字预测下一个词最可能是什么 。既不贪快也不含糊 。查不到的一律舍弃 ，最让人头疼的往往不是文风 ，